HTML编码

1.HTML编码概述

通常一个网页中可解析的总共有三种编码，每种编码都能用来代替表示字符，按解析顺序依次是“html实体编码”“urlcode码”“Unicode码”，在执行过程中会在HTML环境下先解析“html实体编码”和“urlcode码”，然后查看有无js环境并解析其中的Unicode编码，对于三者的理解都有助于我们绕过限制正则，实行渗透。

2.实体编码

HTML 实体是一段以’&#‘开头、加上ASCII码居中、以分号‘;’结尾的文本，如：“ ；”，实体常常用于显示保留字符，和不可见的字符，作为HTML环境第一次解析的编码，这些字符可能还会进一步被解析为 urlcode、js 代码，以下是ASCII码对照表：

以下是几个举例格式

显示结果	描述	实体名称	实体编号
	空格
<	小于号	<	<
>	大于号	>	>
&	和号	&	&
"	引号	"	"
’	撇号	' (IE不支持)	'

编码可用10进制表示，也可使用16进制表示如：1和1均表示1；

需要提一下的是<和>使用中不会将其内部的数据当做标签处理，解析后会直接当做字符。

3.URLcode编码

URLcode编码同样是对ASCII码的运用，但使用的ASCII码为16进制，且格式为‘%’+ASCII码的形式。同时它也是URL中使用的解析编码，如此处的%27就在URL中表示单引号

4.unicode编码

Unicode码是指万国码，几乎涵盖了所有的文字与字符，utf-8也是其中一种，特指可变长的Unicode编码，它的前127位与ASCII码完全相同，其编码规则如下：

Unicode十六进制码点范围	UTF-8二进制
00000000 - 0000 007F	0xxxxxxx
0000 0080 - 0000 07FF	110xxxxx 10xxxxxx
0000 0800 - 0000 FFFF	1110xxxx 10xxxxxx 10xxxxxx
0001 0000 - 0010 FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

第一个字节的第一位是 0 ，则说明这个字节对应一个字符；如果一个字节的第一位1，那么连续有多少个 1，就表示该字符占用多少个字节。

“汉”的 Unicode 码点是 0x6c49（110 1100 0100 1001），对照表可知0x0000 6c49 表示字节为3，也就是第三行的 1110xxxx 10xxxxxx 10xxxxxx格式，从“汉”的二进制数最后一位开始，从后向前依次填充对应格式中的 x，多出的 x 则补0，,“汉”的编码可得为 11100110 10110001 10001001，转换成十六进制就是 0xE6 0xB7 0x89。

在网页中只有JavaScript环境才能识别Unicode编码，且格式为\u+16进制码，如\u0061就表示a

值得注意的是尽管Unicode能表示几乎所有字符，但在JavaScript环境下并不能解码任何符号和数字

5.解码实例

以下是一段简单的a标签，其中存在一段html实体编码
测试
按执行流程会先将其解码为：
测试

接着它会继续扫描是否存在URLcode码，然后继续解析，得到：
测试

再然后进入JavaScript环境继续解析为：
测试